用于准备本征谱先验分布的混合量子-经典聚类

为什么能隙对日常科学很重要

从材料的颜色到药物或电池的稳定性，许多物质属性由量子能级之间的微小差别决定，这些差别称为能隙。对于真实分子和材料，计算这些能隙极为困难，即便是超级计算机也难以胜任。本文提出了一种新方法，将早期量子计算机与经典机器学习相结合，快速描绘复杂系统中能级的整体分布，提供一种“路线图”，便于更精确的方法进一步细化。

看到模式而非每个细节

作者关注物理和化学中的一个常见瓶颈：在精确定位单个能级之前，首先需要一个粗略的能级所在图景。当前的经典算法和量子算法在已经对目标谱有一定了解时表现最佳。这项工作没有从一开始就追求精确答案，而是针对一个更为温和但关键的目标：为具有结构性的量子系统（如局域自旋链或分子）准备一个粗粒度的能级先验分布，在这些系统中可以用合理资源制备近似量子态。

量子与经典世界之间的三步协作

所提出的方法分三步协同进行。首先，通过在能量算符（哈密顿量）中引入一个可控的“移位”参数，温和地修改原始量子系统。对于每个移位值，修改后的系统具有一个接近某个原始能级的基态。其次，调整一个可编程量子电路，使其对每个选定的移位近似对应修改哈密顿量的基态。该电路的控制旋钮——其数值参数——提供了对这些量子态的紧凑经典表示。第三，将所有这些参数设置输入到经典计算机上的标准聚类算法。每一簇相似参数对应一个潜在的能级，而相应移位值的中点给出该能级的估计值。

为什么对量子电路进行聚类能节省开销

一个关键见解是：在参数空间中区分态比在能量上完全分辨它们更容易。作者通过数学定理表明，当不同能级导致明显不同的电路参数时，这些参数自然会形成分离的簇。由于只需要簇之间的粗略分离，量子电路无需达到极高精度。这一放宽的要求缩短了量子系统演化的时间，减少了所需测量次数，并提高了整体过程对噪声的容忍度——这对当前易出错的设备尤为重要。

将方法付诸检验

为了验证该策略在实践中是否可行，研究团队对两类系统进行了详细模拟。第一类是一维相互作用自旋链，这是凝聚态物理中的标准模型。在该模型中，聚类后的电路参数再现了低能谱的主要结构，即便在加入现实噪声时亦是如此。随着自旋数的增加，该方法的尺度性良好，误差保持大致稳定。第二类测试使用了简单的氢化锂分子，目标是追踪随着原子间距变化时能级及能隙的变化。尽管某些间隔很近的能级在粗步长和有限电路设计下仍然难以分离，但该方法仍能捕捉总体趋势，并且可以将其输出作为更精确量子程序的更好初始点来加以精细化。

展望更强大的量子机

该框架设计上在各代硬件间具有灵活性。在近期设备上，可用模拟虚时演化的技术来实现，模拟将系统冷却至其最低能量态。在未来的容错量子机上，更高级的工具（如量子线性系统求解器和奇异值变换）可以加速收敛并扩展可处理系统的范围。在这两种情况下，细粒度分析的繁重工作被转移到经典端，经典端只需处理低维参数数据，而非完整的量子波函数。

这对增强量子科学意味着什么

通俗地说，该方法提供了一种在填充细节之前快速勾勒复杂能量景观轮廓的途径。通过用量子硬件生成信息性态并用经典聚类来组织它们，该方法相比许多现有的混合算法减少了电路深度、测量成本和对噪声的敏感性。对于化学家和材料科学家，这可能意味着更快、更高效地估算带隙和反应势垒，从而在量子技术持续成熟的过程中，更好地指导哪些体系值得以更高精度研究。

引用: Ren, M., Chen, YC., Lai, CJ. et al. Hybrid quantum-classical clustering for preparing a prior distribution of eigenspectrum. npj Quantum Inf 12, 56 (2026). https://doi.org/10.1038/s41534-026-01194-2

关键词: 量子本征谱, 混合量子算法, 能隙估计, 量子聚类, 变分量子电路